BloodHound项目中的Self ACL权限解析与修复
在Active Directory安全评估工具BloodHound及其数据收集组件SharpHound中,近期发现并修复了一个关于Self ACL(访问控制列表)权限的重要问题。这个问题涉及到用户对自身权限的特殊控制场景,对于Active Directory安全评估具有重要意义。
问题背景
在Active Directory环境中,存在一种特殊的权限配置:允许用户将自己添加到特定安全组中。这种权限通过设置特殊的Self ACL实现,其中包含以下关键属性:
- ActiveDirectoryRights: Self
- AccessMask: 8 (对应WRITE_DAC权限)
- SecurityIdentifier: 指向用户自身的SID
这种配置在实际环境中相当常见,特别是在需要用户自助管理组成员身份的业务场景中。然而,在BloodHound 6.4.0和SharpHound v2.5.13版本中,这种权限关系无法被正确识别和展示。
技术细节分析
从技术实现角度看,这个问题源于SharpHound数据收集器对特定类型ACE(访问控制项)的处理逻辑。具体表现为:
-
当PowerView.ps1的Get-DomainObjectACL命令能够正确识别这种Self ACL时,SharpHound却无法将其转化为BloodHound可识别的边关系。
-
这种权限的特殊性在于它结合了Self权限和WRITE_DAC访问掩码,形成了一个独特的权限组合,允许主体用户修改自己在目标组中的成员身份。
-
从安全评估角度,这种权限关系非常重要,因为它实质上提供了权限提升的潜在路径 - 用户可以通过将自己添加到高权限组来提升自己的访问级别。
影响范围
这个bug影响了BloodHound对Active Directory权限关系的完整展示,可能导致安全评估人员遗漏以下重要信息:
- 用户自助加入组的权限路径
- 潜在的权限提升路径
- 访问控制矩阵中的关键边关系
解决方案
该问题已在SharpHound v2.6.7版本中得到修复。新版本改进了ACL解析逻辑,能够正确识别和处理包含Self权限的特殊ACE。升级后,BloodHound现在可以:
- 正确展示用户到组的Self ACL边关系
- 在攻击路径分析中考虑这种特殊权限
- 提供更完整的Active Directory权限图谱
最佳实践建议
对于Active Directory安全评估人员,建议:
- 及时升级到SharpHound v2.6.7或更高版本
- 在评估中特别注意Self ACL权限配置
- 定期审查允许用户自助管理组成员身份的组策略
- 将这种特殊权限纳入常规权限审计范围
这个修复显著提升了BloodHound在复杂Active Directory环境中的分析能力,使安全团队能够更全面地评估和防护权限提升风险。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00